排序方式: 共有6条查询结果,搜索用时 15 毫秒
1
1.
目标识别中的重叠遮挡问题一直以来是研究的难点,船舶目标在狭窄水域发生相互遮挡的情况依然存在.本文提出了一种改进的马赛克数据增强方法,将训练图片拼接变换成3种不同的尺度,并按照不同比例输入网络进行训练,强化了检测算法对局部特征的学习能力,在保持测试速度不变的情况下,提高了对重叠目标的识别准确率,降低了不同分辨率下识别能力的衰弱速度,加强了算法的鲁棒性.基于小型移动测试平台的实测实验证明,相对于原始算法,经过改进后的算法在重叠目标的识别准确率上提高了2.5%,目标丢失时间减少了17%,在不同视频分辨率下的识别稳定性上提高了27.01%. 相似文献
2.
3.
4.
研究了仅利用相对位置信息和相对航向信息的船舶编队输出反馈控制问题.首先使用leader-follower策略,建立了船舶编队的运动学模型.然后应用微分同胚变换将系统解耦成3个子系统.根据船舶低频运动的特点,在跟随船水动力学模型中粘性水动力和力矩未知以及所有船舶速度都不可测量的假定下,提出了一种高增益广义比例积分观测器来估计这些未知和不可测量动态.在高增益广义比例积分观测器的基础上,分别设计了线性输出反馈控制器和输入饱和受限的输出反馈控制器,并分析了闭环系统的稳定性.最后仿真结果表明了方法的有效性. 相似文献
5.
研究了一类不确定线性时滞切换系统的鲁棒性能。系统不仅状态矩阵带有参数不确定性,而且状态时滞矩阵也带有参数不确定性。根据李亚普诺夫稳定性理论,利用线性矩阵不等式和凸组合条件,给出了该切换系统渐近稳定的充分条件和性能指标,并给出了切换律。最后使用MATLAB的仿真结果表明此方法的正确有效性。 相似文献
6.
针对在复杂海洋环境下采集船舶多视角图像难度大、不同视角下船舶外观差异显著的问题,本文以自制的不同类型的多艘船舶的多视角图像为数据集训练更快区域卷积神经网络模型,利用平均F1分数、平均精度和平均误检率作为评价指标评估更快区域卷积神经网络模型对不同视角船舶的识别性能,并通过识别不同船舶的F1分数和误检率分析更快区域卷积神经网络对不同质量、背景图像的识别能力。实验结果表明,更快区域卷积神经网络识别多角度船舶的平均F1分数为0.696 9,平均精度为92.88%,平均误检率为8.34%,即更快区域卷积神经网络对多视角船舶有较高的识别能力,但对于有雾或昏暗环境下的低像素图像识别能力明显下降。 相似文献
1